R2R控制实操：参数漂移了怎么办？Run-to-Run自动调参指南

跑过量产的工程师都知道，设备参数不是一成不变的。刻蚀腔的内壁膜越积越厚，CMP的研磨垫越磨越薄，CVD的喷淋头孔径越堵越小——这些渐进式的变化会导致工艺结果缓慢漂移，直到某天突然超出spec。

等到SPC报警再去调参数，已经晚了——期间跑出的wafer可能全部报废。R2R（Run-to-Run）控制的思路是：在每一次Run之前，根据之前Run的结果，自动微调工艺参数，补偿设备漂移，让输出始终保持在目标值附近。

本文将系统讲解R2R控制的原理和实操方法。

一、R2R控制的基本原理

R2R控制本质上是一个反馈控制系统，但它和PID控制器不同——PID是在一个Run内实时调节（秒级），R2R是在Run之间调节（批次级）。

最基本的R2R控制器结构如下：

1. Run N 完成，量测结果 Y_N
2. 计算偏差：Error_N = Y_N – Target
3. 根据偏差，计算Run N+1 的参数补偿量
4. 用补偿后的参数跑 Run N+1
5. 重复以上循环

关键问题在于第3步：怎么计算补偿量？

最常用的方法有两种：

方法一：EWMA控制器（指数加权移动平均）

这是工业界最广泛使用的R2R算法，原理直观且容易实现。

核心公式：

预测值_N+1 = λ × 实测值_N + (1-λ) × 预测值_N

其中 λ（lambda）是平滑系数，取值范围 0 < λ ≤ 1：

• λ 越大（接近1）：控制器对最新数据的响应越快，但对噪声也越敏感
• λ 越小（接近0）：控制器越平滑稳定，但对突变的响应越慢
• 实际工程中，λ 一般取 0.2-0.5，具体取值需要根据工艺噪声水平和漂移速度来调整

方法二：d-EWMA（双指数加权移动平均）

标准EWMA对线性漂移的追踪有滞后。d-EWMA在EWMA的基础上增加了一个趋势项，可以更好地追踪线性漂移：

预测值_N+1 = EWMA_N + Trend_N

EWMA_N = λ1 × 实测值_N + (1-λ1) × 预测值_N

Trend_N = λ2 × (EWMA_N – EWMA_{N-1}) + (1-λ2) × Trend_{N-1}

d-EWMA有两个平滑系数（λ1, λ2），调参稍复杂一些，但对有明显趋势漂移的工艺效果显著。

二、R2R补偿策略：单输入单输出 vs. 多输入多输出

SISO（单输入单输出）：

最简单的情况——用一个参数（如时间）补偿一个输出（如膜厚）。

举例：CVD沉积膜厚随喷淋头老化逐渐变薄。R2R控制器检测到膜厚偏低后，自动增加沉积时间来补偿。这需要提前建立”时间-膜厚”的线性模型（灵敏度系数）。

灵敏度系数的获取方法：

• 方法一：从DOE数据中回归得到。比如DOE显示时间每增加1秒，膜厚增加5nm，那灵敏度系数就是5 nm/s
• 方法二：在线自适应估计。在R2R控制运行过程中，用RLS（递推最小二乘）算法实时更新灵敏度系数

MIMO（多输入多输出）：

实际工艺中，一个输出往往受多个参数影响，而且多个输出之间还有耦合。比如CMP工艺中，去除量和均匀性同时受压力和转速的影响。

MIMO R2R需要建立多元线性模型：

Y = A × X + B

其中 Y 是输出向量，X 是参数调整向量，A 是灵敏度矩阵。补偿量的计算变成矩阵求逆问题。当输出数量多于可调参数数量时，需要用伪逆（Moore-Penrose inverse）来求最优解。

三、漂移检测：怎么知道该启动补偿了？

R2R控制器不应该对所有波动都做补偿——正常的随机噪声应该被忽略，只有真正的系统性漂移才需要补偿。怎么区分？

方法一：CUSUM（累积和检测）

CUSUM检测连续偏差的累积效应：

• 每个Run后，计算 C_N = C_{N-1} + (Error_N – K)，其中 K 是容许偏差
• 当 C_N 超过阈值 H 时，判定为漂移
• K 和 H 的选择取决于你想要检测的最小漂移量和可接受的误报率

方法二：EWMA控制图

把EWMA统计量画成控制图，设置控制上下限（通常 ±3σ_EWMA）。EWMA统计量超出控制限就判定为漂移。相比传统的X-bar chart，EWMA控制图对小漂移更敏感。

方法三：假设检验

对最近N个Run的数据做t检验或者回归斜率检验，判断是否存在统计显著的趋势。这种方法更严格，但需要积累足够的数据点。

四、实操中的常见坑和注意事项

1. 量测延迟问题：

   R2R控制需要每个Run的量测结果来计算下一个Run的补偿。但实际上，量测（特别是离线量测如膜厚、CD等）往往有延迟——Run跑完了，量测结果可能要等几个小时甚至第二天才出来。这期间已经跑了好几个Run了。

   解决方案：用VM（Virtual Metrology，虚拟量测）模型，基于设备参数实时预测工艺结果，代替离线量测来驱动R2R控制。

2. PM后重置问题：

   设备做完PM（预防性维护）后，设备状态会发生突变（比如换了新部件）。如果R2R控制器继续用PM前的历史数据做预测，会出大问题。

   解决方案：在PM后重置控制器状态，用PM后的第一批量测数据重新初始化。

3. 过补偿问题：

   灵敏度系数不准确或者λ值设置过大时，可能出现”过补偿”——参数调过头了，输出在目标值两侧来回振荡。

   解决方案：设置补偿量上限（Clamp），限制单次补偿不超过参数范围的一定比例（比如5%）。同时定期校准灵敏度系数。

4. 多Chamber一致性：

   多Chamber设备的每个Chamber漂移速度不同，需要为每个Chamber独立运行R2R控制器。但多个控制器的参数调整不能互相冲突——比如共用一个气源的多个Chamber，不能同时要求增大和减小流量。

五、从手动调参到AI自动R2R

上面介绍的EWMA/d-EWMA方法是R2R控制的经典方法，在很多场景下足够好用。但它们有几个根本性的局限：

• 线性假设：灵敏度系数假设参数和输出之间是线性关系，但实际工艺往往是非线性的
• λ值需要手动调：不同工艺、不同设备、甚至同一设备的不同阶段，最优λ值都不一样
• 不能处理非平稳漂移：EWMA适合恒定漂移或缓变漂移，但设备老化的漂移模式往往是非平稳的（比如先慢后快）

这正是NeuroBox E3200内置R2R引擎的设计出发点。它用AI模型替代传统的线性模型和固定平滑系数：

• 非线性建模：用深度学习模型学习参数-输出之间的真实关系，不做线性假设。对高度非线性的工艺（如刻蚀、CMP）效果提升尤为明显
• 自适应平滑：AI模型自动学习最优的响应速度，不需要手动调λ值。当检测到漂移加速时自动加快响应，噪声增大时自动放慢，实现动态平衡
• VM-R2R联动：E3200同时支持VM和R2R功能。VM模型实时预测工艺结果，直接驱动R2R控制器，消除量测延迟问题。整个闭环在50ms内完成
• 边缘实时运行：所有计算在设备侧的E3200硬件上完成，不依赖工厂网络。一台E3200可以同时支持多个Chamber的独立R2R控制

如果你正在搭建或优化产线的R2R控制系统，无论是从零开始还是在现有EWMA方案上升级，NeuroBox E3200 都能提供完整的解决方案。

了解更多：https://ai-mst.com

预约产品演示，请访问官网联系我们，或直接拨打400电话与技术团队沟通。